论文部分内容阅读
近代以来,微波遥感技术以其高稳定性、可靠性以及智能化等特点逐渐被应用在大气探测领域,同时其24小时不间断测量能力成功解决了传统探空数据低时间分辨率的问题,使得人们能够实时的掌握大气运动状态。然而在实际应用中,较低的算法执行效率和数据准确性使得微波遥感技术仍无法完全替代探空测量。高精度的微波遥感技术已成为大气探测领域的难点之一。为提高微波遥感大气参数的精度和效率,本文以地面以上十公里范围内的大气参数为研究对象,首先对当前的大气测量方法进行总结,概述了微波遥感技术的发展以及当前无源微波遥感设备的组成和原理,然后对大气微波辐射传输的物理过程、大气参数反演方法、微波遥感输出数据的后验修正方法以及大气状态与大气微波辐射间的关系四个关键问题进行重点研究,并得出相关的研究结论。
本文第一部分详细分析了微波辐射在大气中传输的物理过程,根据微波辐射与大气分子间相互作用的物理规律,建立了下行大气微波辐射传输的物理模型,给出了大气中影响微波辐射传输的物理量和数学计算模型。根据建立的数学模型,课题利用实测数据计算得到大气对不同频率微波辐射的衰减系数,然后据此得到不同频率点的下行大气辐射亮温。在此基础上,本部分研究了不同频率辐射亮温的特性和其蕴含的不同高度的大气信息,验证了微波遥感大气温度和水汽参数的可行性,然后对微波遥感设备的组成结构和运行原理进行分析,并对课题使用的实验平台进行说明。
本文第二部分在得到精确正演过程的基础上,重点研究了基于神经网络的大气参数反演方法。传统反演方法将地面起十公里范围内大气层作为一个整体,这导致神经网络训练过程的低效率和低准确率。为解决该问题,本文首先对神经网络训练算法进行研究。研究表明传统训练算法训练过程中,神经网络输出存在振荡现象,较大程度的延长了收敛时间。针对该现象,本文提出了渐进训练算法。渐进训练算法兼顾代价函数和网络输出两方面,根据两次训练迭代的网络模型参数利用局部线性化和加权均值方法直接确定网络参数的更新值,有效避免了学习率参数和网络输出振荡。为进一步提高效率,本文对十公里范围内的大气参数进行研究,将云层对大气微波辐射传输的影响考虑在内,并依据历史微波遥感数据对传统神经网络反演的结果特征进行分析,得出了不同高度大气参数的误差特征,最终将十公里范围内的大气按云层分布和误差特征分为三大层。本部分针对得到的三个大气分层,分别建立相应的神经网络,最终得到大气参数的分层反演方法,再利用实测数据设计实验以验证提出算法的可行性和有效性。
本文第三部分对微波遥感数据进行质量控制和数值修正。主要针对微波遥感输出的大气参数进行二次检验,确保输出数据符合大气物理规律。研究发现将微波遥感测量的大气参数输入大气微波辐射传输模式得到的辐射亮温与观测的亮温数据无法有效的吻合。针对该问题本文提出了后验数值修正方法。根据微波辐射在大气中传输的物理过程,本文分析了下行大气微波辐射亮温对大气层中任意高度点大气温度变化的响应,推导了下行大气辐射亮温与大气温度参数之间权值函数的数学表达式,并结合实际数据给出了氧气波段五个通道权值函数的计算值。在此基础上,建立了后验数值修正算法详细数学模型,并利用实际测量数据设计实验,然后结合实验结果对算法的性能进行分析和评价并给出结论。
最后,本文建立了降水天气下大气状态和大气辐射之间的关系,并据此对降水前两小时大气辐射亮温变化进行研究,然后对降水事件进行预测。针对大气辐射亮温的季节性差异,本文提出亮温变化比率的概念对亮温进行转换,从而实现亮温数据的一致性。根据晴天与降水天亮温变化比率之间的差异,挑选四组最具代表性观测通道,然后利用线性和指数函数提取降水前两小时的变化比率特征。为降低预测数据的维度和计算量,论文采用测量数据与特征方程间的相关系数来表征降水事件,然后分别利用神经网络和贝叶斯网络模型实现降水预测,最后根据实验结果对两种预测方法的性能进行评价。
本文第一部分详细分析了微波辐射在大气中传输的物理过程,根据微波辐射与大气分子间相互作用的物理规律,建立了下行大气微波辐射传输的物理模型,给出了大气中影响微波辐射传输的物理量和数学计算模型。根据建立的数学模型,课题利用实测数据计算得到大气对不同频率微波辐射的衰减系数,然后据此得到不同频率点的下行大气辐射亮温。在此基础上,本部分研究了不同频率辐射亮温的特性和其蕴含的不同高度的大气信息,验证了微波遥感大气温度和水汽参数的可行性,然后对微波遥感设备的组成结构和运行原理进行分析,并对课题使用的实验平台进行说明。
本文第二部分在得到精确正演过程的基础上,重点研究了基于神经网络的大气参数反演方法。传统反演方法将地面起十公里范围内大气层作为一个整体,这导致神经网络训练过程的低效率和低准确率。为解决该问题,本文首先对神经网络训练算法进行研究。研究表明传统训练算法训练过程中,神经网络输出存在振荡现象,较大程度的延长了收敛时间。针对该现象,本文提出了渐进训练算法。渐进训练算法兼顾代价函数和网络输出两方面,根据两次训练迭代的网络模型参数利用局部线性化和加权均值方法直接确定网络参数的更新值,有效避免了学习率参数和网络输出振荡。为进一步提高效率,本文对十公里范围内的大气参数进行研究,将云层对大气微波辐射传输的影响考虑在内,并依据历史微波遥感数据对传统神经网络反演的结果特征进行分析,得出了不同高度大气参数的误差特征,最终将十公里范围内的大气按云层分布和误差特征分为三大层。本部分针对得到的三个大气分层,分别建立相应的神经网络,最终得到大气参数的分层反演方法,再利用实测数据设计实验以验证提出算法的可行性和有效性。
本文第三部分对微波遥感数据进行质量控制和数值修正。主要针对微波遥感输出的大气参数进行二次检验,确保输出数据符合大气物理规律。研究发现将微波遥感测量的大气参数输入大气微波辐射传输模式得到的辐射亮温与观测的亮温数据无法有效的吻合。针对该问题本文提出了后验数值修正方法。根据微波辐射在大气中传输的物理过程,本文分析了下行大气微波辐射亮温对大气层中任意高度点大气温度变化的响应,推导了下行大气辐射亮温与大气温度参数之间权值函数的数学表达式,并结合实际数据给出了氧气波段五个通道权值函数的计算值。在此基础上,建立了后验数值修正算法详细数学模型,并利用实际测量数据设计实验,然后结合实验结果对算法的性能进行分析和评价并给出结论。
最后,本文建立了降水天气下大气状态和大气辐射之间的关系,并据此对降水前两小时大气辐射亮温变化进行研究,然后对降水事件进行预测。针对大气辐射亮温的季节性差异,本文提出亮温变化比率的概念对亮温进行转换,从而实现亮温数据的一致性。根据晴天与降水天亮温变化比率之间的差异,挑选四组最具代表性观测通道,然后利用线性和指数函数提取降水前两小时的变化比率特征。为降低预测数据的维度和计算量,论文采用测量数据与特征方程间的相关系数来表征降水事件,然后分别利用神经网络和贝叶斯网络模型实现降水预测,最后根据实验结果对两种预测方法的性能进行评价。